基于LibreOffice的MS Office文档格式转换

将Microsoft Office文件转换为其他格式的场景

在一些情况下，可能需要将Microsoft Office文件转换为其他格式：

• 兼容性问题：与不同的办公软件或操作系统进行交互，可能需要将MS Office文件转换为更通用的格式。例如，如果要与没有安装Microsoft Office的人分享文档，将其转换为PDF格式可能更合适。
• 归档和存档：将Office文件转换为更稳定、可持久保存的格式可以确保文件的长期保存和归档。某些文件格式（如PDF/A）专门用于长期存档目的，以确保文件内容的完整性和可访问性。
• 数据提取：你可能只对文档中的特定数据或内容感兴趣。通过将Office文件转换为其他格式（如纯文本或CSV），可以更容易地提取所需的数据，并在其他应用程序中进行分析或处理。
• 网页发布：如果要将MS Office文件发布到网页上，可能需要将其转换为HTML或其他网页友好的格式，以确保文件在网页上正确显示。

LibreOffice - 微软Office的开源替代

LibreOffice是一个免费、开源的办公套件，在某种程度上可以被视为微软Office的开源替代品。

• LibreOffice Writer：对应于Microsoft Word。
• LibreOffice Calc：对应于Microsoft Excel。
• LibreOffice Impress：对应于Microsoft PowerPoint。

LibreOffice支持的转换格式

LibreOffice支持广泛的转换格式。具体请参考如下的表格：

Format Family	From (any of)	To (any of)
Text	*.odt    OpenDocument Text *.ott    OpenDocument Text Template *.sxw    OpenOffice.org 1.0 Text *.rtf    Rich Text Format *.doc    Microsoft Word *.docx   Microsoft Word XML *.wpd    WordPerfect *.txt    Plain Text *.html   HTML	*.pdf    Portable Document Format *.odt    OpenDocument Text *.ott    OpenDocument Text Template *.sxw    OpenOffice.org 1.0 Text *.rtf    Rich Text Format *.doc    Microsoft Word *.docx   Microsoft Word XML *.txt    Plain Text *.html   HTML *.wiki   MediaWiki wikitext
Spreadsheet	*.ods    OpenDocument Spreadsheet *.ots    OpenDocument Spreadsheet Template *.sxc    OpenOffice.org 1.0 Spreadsheet *.xls    Microsoft Excel *.xlsx   Microsoft Excel XML *.csv    Comma-Separated Values *.tsv    Tab-Separated Values	*.pdf    Portable Document Format *.ods    OpenDocument Spreadsheet *.ots    OpenDocument Spreadsheet Template *.sxc    OpenOffice.org 1.0 Spreadsheet *.xls    Microsoft Excel *.xlsx   Microsoft Excel XML *.csv    Comma-Separated Values *.tsv    Tab-Separated Values *.html   HTML
Presentation	*.odp    OpenDocument Presentation *.otp    OpenDocument Presentation Template *.sxi    OpenOffice.org 1.0 Presentation *.ppt    Microsoft PowerPoint *.pptx   Microsoft PowerPoint XML	*.pdf    Portable Document Format *.swf    Macromedia Flash *.odp    OpenDocument Presentation *.otp    OpenDocument Presentation Template *.sxi    OpenOffice.org 1.0 Presentation *.ppt    Microsoft PowerPoint *.pptx   Microsoft PowerPoint XML *.html   HTML
Drawing	*.odg    OpenDocument Drawing *.otg    OpenDocument Drawing Template	*.svg    Scalable Vector Graphics *.swf    Macromedia Flash

LibreOffice的headless模式

与常见的Chromium的headless模式类似，LibreOffice也提供headless模式。

• 没有图形用户界面（GUI）：无论是LibreOffice的headless模式还是Chromium的headless模式，都在没有GUI的情况下运行，不会显示可见的窗口或用户界面。
• 命令行接口（CLI）控制：通过命令行接口进行控制和操作。可以在命令行中使用特定的命令和参数来执行相应的任务和操作。
• 自动化和批处理：LibreOffice的headless模式和Chromium的headless模式都适用于自动化和批处理任务。
• 服务器环境中的应用：适用于在服务器环境中使用。

这就给在服务端自动化进行文档类型转换提供了很大的便利。

资源池管理与容器化 - JodConverter

JodConverter是一个用于将Office文档转换为其他格式的Java库。它支持与LibreOffice（也可以是OpenOffice）进行集成。

我们可以选择自己直接与headless的LibreOffice直接通信来完成文档格式转换，不过由JodConverter来代劳的好处是很明显的：

• 资源池化
• 容器化

JODConverter 的进程管理器（Process Manager）在资源池内维护 LibreOffice 进程。
将 LibreOffice 进程保持在资源池内，可以避免每次进行文档转换时都需要启动和终止 LibreOffice 进程的开销。
它可以检测到进程的健康状态，例如进程异常退出或崩溃，然后采取相应的措施，如重新启动进程。

JODConverter 还提供一个基于Debian的基础docker image，其中已经包含了LibreOffice。

我们的调用JODConverter的Java应用只需要基于该镜像build出来就好。

MS Office存量文件的兼容性 - 字体的开源替代

上面这张图左侧是原版的PPT，右侧是用JOD + LibreOffice转换出来的PDF。

可以看到右侧转换出PDF，文字之间出现了互相交叉重叠的现象，整个样式都乱掉了。
这其实并不是JOD或者是LibreOffice的bug。

而是由于左侧的PPT当中使用了一些微软的商用字体。
而LibreOffice运行在docker里面，它是拿不到这些微软的商用字体的，我们也不应该把有商用版权的字体置入docker image中。

这时我们可以使用一些开源的字体来代替微软的商用字体。

下图来自于LibreOffice的一篇博客： https://blog.documentfoundation.org/blog/2020/09/08/libreoffice-tt-replacing-microsoft-fonts/

LibreOffice提供了一个Font Replacement Table的功能。

左侧Font列是商用字体，右侧Replace with列是开源字体。
例如：当LibreOffice见到一个ppt文件内的某段文字使用了Arial字体时，就会自动用Arimo字体去渲染这段文字。
这样，既能够尽量保持视觉效果的一致性，也避免使用商用字体。

下图是使用了开源字体替代后的转换效果，右侧的PDF和左侧的PPT视觉差异已经不太大了。

作为一个LibreOffice桌面应用的使用者可以按照上述说明来做配置，从而最大程度的去兼容微软的商用字体。
而当我们使用headless模式时该如何做出等效的配置呢？

LibreOffice - User Profile

上面提到的配置项，会被保存在LibreOffice User Profile内，在不同的OS内保存的路径为：

Windows
%APPDATA%\libreoffice\4\user (LibreOffice 4 and above)

GNU/Linux
/home/<user name>/.config/libreoffice/4/user (LibreOffice 4 and above)

我们可以把开源字体文件以及保存下来的配置文件内置入docker image内。
并通过JOD指定启动LibreOffice时的参数，让headless模式下运行的LibreOffice加载到正确的配置文件，进而也能达成上图所示一样转换的效果。

如下Dockerfile示例中把开源字体和配置文件copy进Docker image

# support more fonts
COPY cjk-fonts/* /usr/share/fonts/cjk/
COPY condensed-fonts/* /usr/share/fonts/condensed/
COPY ms-sub-fonts/* /usr/share/fonts/ms-sub-fonts/

# add user profile config files
COPY ./profile/LibreOffice/4/user /tmp/jodconverter/user

如下示例中指定template-profile-dir

jodconverter:
  local:
    enabled: true
    port-numbers: 2002,2003
    template-profile-dir: /tmp/jodconverter

这样可以确保JODConverter在启动LibreOffice进程的时候可以明确地告诉LibreOffice去加载哪一份配置文件。

Links

JODConverter Wiki

jodconverter-runtime docker基础镜像

LibreOffice PDF转换支持的命令行参数

宽度过大的Excel转PDF的问题

微软字体兼容性问题

LibreOffice User Profile默认路径

把自定义的字体与User Profile加入Docker Image

给JODConverter指定User Profile路径